编辑推荐：
卵圆孔未闭（PFO）是缺血性中风主因之一，临床基于对比经胸超声心动图（cTTE）的 PFO 分级耗时费力且现有模型诊断精度低。研究人员提出 TVUNet++ 和 ULSAM-ResNet 模型，实验结果佳，为 PFO 智能诊断提供新方向。
在医学的广阔领域中，缺血性中风如同隐藏在暗处的 “杀手”，每年都无情地夺走无数人的健康，甚至生命。令人揪心的是，约 30% 的缺血性中风患者病因不明，而在这些不明原因的病例里，40%-50% 都与卵圆孔未闭（Patent Foramen Ovale，PFO）有关。PFO 作为成年人常见的先天性心脏病，发病率约 25%，就像一颗 “定时炸弹”，随时可能引发严重后果。如果能在早期对 PFO 进行准确分级，就能有效预防因卵圆孔扩大而导致的中风，这对患者的健康意义重大。
然而，在临床实际操作中，基于对比经胸超声心动图（contrast Transthoracic Echocardiography，cTTE）的 PFO 分级工作困难重重。一方面，超声成像质量欠佳，图像中的斑点噪声不仅模糊了心腔的详细信息，还会产生虚假边缘，加上心肌组织和二尖瓣的干扰，让人工智能诊断困难重重；另一方面，当卵圆孔较大时，造影剂产生的微气泡会与周围心肌组织灰度值相近，使得心腔边缘模糊，极易造成分割不完整。而且，临床主要依据左心腔内微气泡数量进行 PFO 分级，但微气泡的重叠和拖尾现象又常常导致分级错误。传统的诊断方式高度依赖医生的经验，准确性难以保证，误诊、漏诊时有发生。
为了攻克这些难题，来自国内的研究人员勇敢地踏上探索之路。他们开展了一项基于深度学习的研究，旨在找到一种更高效、准确的 PFO 智能分级方法。最终，研究人员成功提出了 TVUNet++ 用于左心室分割，以及 ULSAM-ResNet 用于 PFO 分级。这一研究成果意义非凡，不仅为 PFO 的智能诊断开辟了新方向，还可能改变未来的临床诊断模式，大大提高诊断效率和准确性，为患者带来更多希望。该研究成果发表在《Computerized Medical Imaging and Graphics》杂志上。
在研究过程中，研究人员运用了多种关键技术方法。首先，采用了高效的 Translation Variant Convolution（TVConv）技术来降低超声特定噪声的影响。在模型构建方面，精心设计了 TVUNet++ 和 ULSAM-ResNet 模型。TVUNet++ 通过可学习的亲和图来区分 cTTE 中的各种局部特征，并隐式捕捉左心腔与背景区域的语义关系；ULSAM-ResNet 则能实现多尺度和多频率特征学习，有效学习跨通道信息。研究数据来自深圳人民医院，利用 Philips EPIQ7C 超声监测设备采集处于 Valsalva Maneuver（VM）状态下的 cTTE 数据。
结果与分析
研究人员对各项指标进行了详细分析。在左心室分割任务中，TVUNet++ 表现出色。通过实验数据可知，其平均 Dice 系数可达 92.11%，这意味着该模型能够精准地识别和分割左心室，为后续的分级诊断奠定了坚实基础。
对于 PFO 分级，ULSAM-ResNet 展现出强大的性能。在静态 cTTE 图像上，其平均召回率达到 84.27%。这表明该模型能够有效地从图像中提取细粒度特征，准确判断 PFO 的分级情况。与其他先进模型相比，研究人员提出的模型在 PFO 分级任务中表现更优，在几乎不增加计算量（FLOPs）的情况下，召回率提高了 0.72%，充分显示出模型的优越性。
研究结论与讨论
这项研究成功实现了基于 cTTE 的 PFO 智能分级，为临床诊断提供了一种高效、准确的新方法。TVUNet++ 和 ULSAM-ResNet 模型的出色表现，为 PFO 的诊断带来了新的突破。不过，研究也存在一些局限性。TVUNet++ 虽然在左心房分割任务中表现优异，但参数数量较多，后续研究可探索模型压缩技术来优化。而且，当前研究主要依赖静态图像，对动态图像的研究较少，未来可在这方面进行拓展。
尽管存在不足，但这项研究的重要意义不可忽视。它开启了深度学习在 PFO 诊断领域的新篇章，为超声医生提供了更客观、可靠的诊断支持，有望大幅提升 PFO 的诊断效率和准确性，减少因 PFO 导致的中风风险，为广大患者的健康保驾护航。相信随着研究的不断深入和技术的持续改进，这一领域将取得更多令人瞩目的成果，为医学发展注入新的活力。
